基于深度学习的晶体缺陷分类检测技术研究
发布时间：2021-02-24 00:28
在高功率激光驱动器系统中,晶体作为其中一个不可或缺的光学元件,主要作为主放大器系统中的普克尔斯盒（光电开关）对入射光场进行调制,并作为终端光学聚焦系统中的光束倍频转换器,用来产生紫外光;由于系统中晶体尺寸通常较大且数目较多,导致对该元件的检测维护任务相对繁重。据统计,美国国家点火装置中所用到的410mm口径的磷酸二氢钾（KDP）晶体就有576块。这些晶体在生产加工和应用中往往会因为其表面存在缺陷而引发不同程度的、非预期性的光场调制、波前畸变等,严重时还可能破坏整个驱动系统。所以,我们应该且亟需进行针对晶体元件缺陷的分类检测技术研究。现有的检测技术除人眼判断外,大多围绕硬件设备展开;算法以传统图像处理为主,主要针对不同类型的缺陷进行特征提取,较少有关于缺陷分类识别和定位检测的研究;且因为晶体缺陷形貌复杂,传统图像处理算法较难提取到关键且客观的特征,这在极大程度上限制了晶体缺陷检测技术的智能化发展并同时抑制了高功率激光驱动器的应用。基于晶体元件表面缺陷形貌特征丰富、种类繁多的特点,本文提出利用深度学习模型进行晶体缺陷分类检测;构建了基于候选区域生成模块和特征提取模块（ZF net）的晶体缺...
【文章来源】：中国工程物理研究院北京市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１深度学习中的多层表征??
?深度学习擅长发现高维数据中的错综复杂的结构关联，在科学研宄、商业工业以及??政府管控等领域都有表现出很大的潜力；本章将按照图２．２的逻辑顺序，从“人工神经??网络”、“误差反向传播算法”和“卷积神经网络”等几个方面来具体介绍深度学习。??神经元模型??｜构??！成??有监督训练／学??；Ｓ?：习??深度前馈刚ｎ?￥廢误紐＿播算法??无监督训练／学?；关键影响因戒??ＬＩ?Ｉ发展?习?激活函数??ｒ构??卷积祌经网络丨??具体结??构??图２．２本章内容概括说明??２．１神经元模型与多层感知机??图２．３所示为生物神经元的示意图，它由细胞体、轴突、树突和突触四个结构组成??［４１］。细胞体是神经元的控制中心，由于其细胞膜内外的细胞液存在离子浓度差而产生的??电位差，被称为膜电位；神经元的输入来源于与之相连的树突（通常树突不止一个），??不同单元间的信号都是通过树突传入的［４２］；轴突则相当于神经元输出端；突触可以被看??作是一个接口，能够保证神经元间的通信功能［４３］。信号传递时，一个神经元可以接收来??自多个神经元轴突末端的电位变化，这些电位变化以不同的权重在突触上累加，当电位??达到阈值时，该神经元将被激活产生兴奋，即输出信号［４４１。??来自他神经元轴突神经木梢??＾?ｊ、神经末梢??细胞核??Ｔ??图２．３生物神经元结构??
?受上述模型的启发，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ提出一种“人工神经元的逻辑运算数学模型??（Ｍ－Ｐ模型）”Ｍ。其模型结构如图２．４所示，其中，第个神经元获得的输入信号（ｉ叩ｕｔ）??为ｉｉ＝Ｕ，２，．．．，ｎ｝，第ｉ个输入和第＞个神经元之间的连接权重（ｗｅｉｇｈｔ）为ｖｖ＾；第ｙ个神经元??的阈值为６／；?／（＿）为激活函数（ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ）；?ｙｙ则代表输出；所以该节点单元获得??的超过阈值的信号激励为：??Ｕｊ?＝?Ｓｆ＝ｉ?ＷｉｊＸｉ?－?ｂｊ?（２－１）??若将阈值６／当成神经兀以Ｘ〇?＝?＿１作为输入时的权重Ｗｙ?（文中统一对阈值做此处理，后??不再重新声明），则上式可简化为：??Ｕｊ?＝?Ｓｆ＝〇?ＷｉｊＸｉ?（２－２）??神经元被激活时产生的输出可以表示为：??ｙｊ?＝?／（ｕ；）?（２－３）??从式２－２和２－３不难看出，Ｍ－Ｐ模型是一个具有空间整合性和阈值特性的映射单元，它??可以接受多个信号输入，并通过控制调整权重将结果处理为单个的、具有正负号标识的??信号，再进行输出。通过这种方式，Ｍ－Ｐ模型可以近似模拟生物神经元节点的“兴奋和??抑制”?［４６］。??Ｘｌ??ＷＵ??Ｘｎ?Ｗｎｊ?Ｗ〇ｊ?＝?ｂｊ??Ｘ〇?＝?－１??图２．４人工神经元模型结构??最初的Ｍ－Ｐ模型中，激活函数／（；＋）（如式（２－句）只是一个二值离散量，统一用逻辑??上的０
本文编号：3048483
【文章来源】：中国工程物理研究院北京市
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
图２．１深度学习中的多层表征??
?深度学习擅长发现高维数据中的错综复杂的结构关联，在科学研宄、商业工业以及??政府管控等领域都有表现出很大的潜力；本章将按照图２．２的逻辑顺序，从“人工神经??网络”、“误差反向传播算法”和“卷积神经网络”等几个方面来具体介绍深度学习。??神经元模型??｜构??！成??有监督训练／学??；Ｓ?：习??深度前馈刚ｎ?￥廢误紐＿播算法??无监督训练／学?；关键影响因戒??ＬＩ?Ｉ发展?习?激活函数??ｒ构??卷积祌经网络丨??具体结??构??图２．２本章内容概括说明??２．１神经元模型与多层感知机??图２．３所示为生物神经元的示意图，它由细胞体、轴突、树突和突触四个结构组成??［４１］。细胞体是神经元的控制中心，由于其细胞膜内外的细胞液存在离子浓度差而产生的??电位差，被称为膜电位；神经元的输入来源于与之相连的树突（通常树突不止一个），??不同单元间的信号都是通过树突传入的［４２］；轴突则相当于神经元输出端；突触可以被看??作是一个接口，能够保证神经元间的通信功能［４３］。信号传递时，一个神经元可以接收来??自多个神经元轴突末端的电位变化，这些电位变化以不同的权重在突触上累加，当电位??达到阈值时，该神经元将被激活产生兴奋，即输出信号［４４１。??来自他神经元轴突神经木梢??＾?ｊ、神经末梢??细胞核??Ｔ??图２．３生物神经元结构??
?受上述模型的启发，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ提出一种“人工神经元的逻辑运算数学模型??（Ｍ－Ｐ模型）”Ｍ。其模型结构如图２．４所示，其中，第个神经元获得的输入信号（ｉ叩ｕｔ）??为ｉｉ＝Ｕ，２，．．．，ｎ｝，第ｉ个输入和第＞个神经元之间的连接权重（ｗｅｉｇｈｔ）为ｖｖ＾；第ｙ个神经元??的阈值为６／；?／（＿）为激活函数（ａｃｔｉｖａｔｉｏｎ?ｆｕｎｃｔｉｏｎ）；?ｙｙ则代表输出；所以该节点单元获得??的超过阈值的信号激励为：??Ｕｊ?＝?Ｓｆ＝ｉ?ＷｉｊＸｉ?－?ｂｊ?（２－１）??若将阈值６／当成神经兀以Ｘ〇?＝?＿１作为输入时的权重Ｗｙ?（文中统一对阈值做此处理，后??不再重新声明），则上式可简化为：??Ｕｊ?＝?Ｓｆ＝〇?ＷｉｊＸｉ?（２－２）??神经元被激活时产生的输出可以表示为：??ｙｊ?＝?／（ｕ；）?（２－３）??从式２－２和２－３不难看出，Ｍ－Ｐ模型是一个具有空间整合性和阈值特性的映射单元，它??可以接受多个信号输入，并通过控制调整权重将结果处理为单个的、具有正负号标识的??信号，再进行输出。通过这种方式，Ｍ－Ｐ模型可以近似模拟生物神经元节点的“兴奋和??抑制”?［４６］。??Ｘｌ??ＷＵ??Ｘｎ?Ｗｎｊ?Ｗ〇ｊ?＝?ｂｊ??Ｘ〇?＝?－１??图２．４人工神经元模型结构??最初的Ｍ－Ｐ模型中，激活函数／（；＋）（如式（２－句）只是一个二值离散量，统一用逻辑??上的０
本文编号：3048483
本文链接：https://www.wllwen.com/projectlw/hkxlw/3048483.html
